Naar inhoud
BetaAI Begrippen

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

Density-based spatial clustering of applications with noise (DBSCAN)

Engels: Density-based spatial clustering of applications with noise (DBSCAN) · Ook wel: DBSCAN

In het kort

DBSCAN is een algoritme uit 1996 dat gegevenspunten in een dataset groepeert op basis van hun onderlinge dichtheid. Anders dan methoden die vooraf een vast aantal groepen vragen, verbindt het zelf punten in dichte gebieden en markeert losliggende punten als ruis of uitschieters. Zo kan een onderzoeker afwijkende metingen in een dataset herkennen, zonder vooraf te bepalen hoeveel groepen er bestaan.

Waarom is dit belangrijk?

Analisten kunnen met deze methode in grote bestanden groepen met een grillige vorm vinden, ook als die vorm vooraf nog onbekend is. In medisch onderzoek helpt DBSCAN om patiënten met vergelijkbare klachten in te delen en hun toestand te volgen. Voor mensen die met patiëntgegevens werken, worden zulke patronen in klachten zichtbaar, maar een ongelukkig gekozen afstand laat verschillende groepen samenvallen.

Zo werkt het in de praktijk

Onderzoekers van de Université Grenoble Alpes passen DBSCAN meerdere keren toe op jonge sterren in het Taurus-complex. Bij elke stap houden zij het minimumaantal punten vast en variëren zij de afstand. Zo vinden zij groepen op verschillende schalen en zetten die in een boom.

DBSCAN werkt met één combinatie van afstand en minimumaantal punten. Die combinatie dekt gegevens met sterk verschillende dichtheid niet. Campello, Moulavi en Sander publiceerden in 2013 HDBSCAN, dat groepen in lagen vastlegt, van grof naar fijn.

In de praktijk kiest een analist twee instellingen: de maximale afstand epsilon en het minimumaantal punten. Een k-afstandsgrafiek zet die afstanden op volgorde. De knik in die grafiek wijst een bruikbare waarde voor epsilon aan.

Bron: en.wikipedia.org

Gecontroleerd op 5 november 2026